Conseil Financier et IA : ce que la recherche apporte au débat

Le conseil financier, et en particulier la gestion de patrimoine à destination des particuliers, est à l’aube d’une mutation profonde. Depuis l’arrivée des grands modèles de langage (ChatGPT, Claude, Gemini), des outils capables de produire des recommandations d’investissement personnalisées se multiplient, promettant de démocratiser un conseil jusqu’ici réservé à une clientèle fortunée. Mais que valent réellement ces conseillers d’un nouveau genre ? La question n’est plus seulement technologique, elle est scientifique. Et c’est précisément l’objet d’un programme de recherche lancé à l’Université Paris Dauphine - PSL, dont les premiers résultats livrent un tableau contrasté.

Le métier de conseiller financier repose sur une relation humaine. Il s’agit d’écouter une cliente ou un client, comprendre sa situation financière et familiale et construire une stratégie adaptée à son profil. L’IA générative bouleverse cette équation. Elle peut analyser en quelques secondes des volumes de données qu’aucun professionnel ne pourrait traiter manuellement, intégrer l’actualité économique, les évolutions réglementaires et les spécificités d’un portefeuille. La question n’est plus de savoir si l’IA prendra une place dans ce métier, mais laquelle ?

Or, les connaissances rigoureuses sur les performances réelles de ces systèmes restent méconnues. La quasi-totalité des études existantes évaluent les modèles d’IA dans une perspective historique, selon une méthode dite de backtesting. Dans ce scénario, l’évaluation des modèles se fait en testant leurs performances sur des données passées. Or ces approches souffrent de nombreux problèmes bien documentés tels que la sur-optimisation des paramètres, le biais rétrospectif, ou l’impossibilité de capturer les dynamiques comportementales en temps réel. Les grandes institutions financières (banques d’investissement, sociétés de gestion, hedge funds) investissent massivement dans l’IA, mais ne publient pas les résultats de leur recherche. Le monde académique a donc un rôle décisif à jouer pour produire des connaissances indépendantes et transparentes.

Un dispositif expérimental sans équivalent

C’est dans cet esprit qu’est aujourd’hui exploité le NextWise Investment Challenge, une compétition lancée en partenariat avec Euronext et soutenue par l’Autorité des marchés financiers (AMF), la Société Générale et plusieurs grandes entreprises cotées. Le principe est simple. Près d’un millier de participantes et participants, principalement des étudiantes et étudiants en finance, gèrent en conditions réelles de marché des portefeuilles sur l’ensemble de l’univers Euronext, la principale place boursière de la zone euro. En parallèle, des stratégies pilotées par des modèles de langage (LLM) opèrent au sein de la même compétition, sous les mêmes contraintes et avec les mêmes informations.

Cette démarche s’inscrit dans une tradition de Dauphine en matière d’infrastructures de recherche en finance. Dans les années 1990, l’arrivée des données boursières, notamment haute fréquence, avait constitué une première révolution méthodologique. Dauphine y avait contribué en créant, au sein du laboratoire du CEREG, la base de données boursières AFFI/SBF. Cet outil a permis à toute une génération de chercheuses et chercheurs en finance d’accéder à des données de marché d’une granularité inédite. Avec NextWise, l’ambition est similaire. Il s’agit de bâtir un équipement de recherche d’un type nouveau, capable de produire des données comportementales dans un environnement où agents humains et artificiels coexistent.

Des résultats qui interpellent

Les premiers résultats sont éloquents. En février 2026, une unique stratégie fondée sur un LLM, construite à partir de l’analyse systématique et en temps réel d’articles de presse, se classait 19^e sur près de 1 000 participantes et participants. Chaque jour, le modèle traite l’intégralité de l’actualité financière publiée et en extrait des signaux d’investissement, une tâche dont l’exhaustivité dépasse les capacités de tout investisseur humain. Ces résultats confirment la capacité des LLM à extraire des signaux pertinents à partir de données textuelles, en cohérence avec la littérature récente.

La force du protocole NextWise tient à ce qu’il produit ces constats dans des conditions expérimentales rigoureuses. Contrairement au backtesting, les données sont collectées en temps réel, sans biais rétrospectif. Elles permettent donc de reconstituer précisément les conditions dans lesquelles chaque décision a été prise. Il s’agit, à ce jour, de l’un des rares dispositifs au monde permettant de comparer empiriquement, dans un cadre contrôlé, la performance d’investisseuses et investisseurs humains à celle de modèles d’intelligence artificielle.

Mais l’expérience révèle aussi des failles significatives. Sans surprise, les LLM ont tendance à satisfaire leur interlocutrice ou interlocuteur à tout prix. Si vous demandez à une IA de construire un portefeuille offrant 30 % de rendement sans risque – une aberration d’un point de vue financier – la machine va tenter de vous fournir une réponse au lieu de signaler l’absurdité de la requête. Ce biais de complaisance, bien connu des spécialistes de l’IA, prend une dimension particulièrement dangereuse dans le contexte du conseil financier.

FAME : une ambition de recherche à la hauteur des enjeux

L’expérience NextWise est le socle d’un programme plus vaste. FAME (pour Financial Artificial Machine Intelligence) est un projet de recherche mené conjointement par l’Université Paris Dauphine - PSL et HEC Montréal, en lien avec Mila, l’un des principaux laboratoires mondiaux en IA, situé également à Montréal. FAME réunit des spécialistes de la finance quantitative, de l’économétrie, de l’apprentissage profond et de la linguistique computationnelle autour de trois objectifs. Il s’agit de comprendre comment l’IA modifie le comportement des investisseuses et investisseurs, de mesurer son impact sur la formation des prix de marché, et d’identifier les risques émergents liés à son adoption massive.

FAME se distingue principalement des approches existantes sur trois points. Premièrement, son protocole expérimental en temps réel produit des données comportementales propres, exemptes des biais habituels. Ensuite, son ancrage dans la théorie financière, notamment les modèles récents de formation des prix par la demande, permet d’analyser rigoureusement comment la cohabitation entre agents humains et artificiels modifie l’équilibre des marchés. Enfin, son caractère interdisciplinaire garantit que chaque question est abordée en utilisant les méthodes les plus avancées, tant en finance qu’en science des données.

Un investissement de recherche d’un type nouveau

Mener ce type de recherche suppose de surmonter un obstacle rarement évoqué dans le débat public : son coût. Les grandes institutions financières consacrent des budgets considérables au développement de leurs propres modèles d’IA. Mais ces travaux restent confidentiels car aucun de ces acteurs n’a vocation à publier ses résultats ni à partager ses données. La société ne peut donc pas s’appuyer sur la recherche privée pour évaluer objectivement les capacités et les risques de l’IA financière.

Le choix de la science ouverte est ici décisif. Les bases de données, codes et méthodologies créés au sein du projet FAME seront mis en accès libre pour permettre à la communauté scientifique internationale de reproduire et prolonger ces travaux. Ceci s’oppose à la logique des initiatives privées et à l’opacité des développements effectués sans ce cadre. C’est précisément là que la recherche académique doit intervenir. Mais elle ne peut le faire qu’en investissant au-delà de ce qu’un laboratoire de recherche isolé a pu engager par le passé. Les collaborations internationales et les grands programmes de financement de la recherche en IA permettent de contourner ces difficultés et d’offrir les crédits de recherche nécessaires au déploiement de solutions techniques adaptées.

Quelle place pour l’IA dans le conseil financier ?

Les premiers résultats de NextWise montrent une machine capable de performances remarquables sur le traitement systématique de l’information, mais dépourvue du jugement, de l’esprit critique et de la prudence qui fondent la relation de confiance entre une conseillère ou un conseiller et sa clientèle. Difficile de penser alors que l’IA peut remplacer le conseil financier humain, mais elle en transforme la nature. Former les professionnelles et professionnels à travailler avec ces outils et à en connaître les limites devient un enjeu de premier plan.

En construisant un dispositif expérimental rigoureux et en s’engageant dans la transparence scientifique, l’Université Paris Dauphine – PSL entend apporter des réponses fondées sur des preuves à un débat trop souvent dominé par les promesses commerciales. Le conseil financier et en particulier la gestion de patrimoine à destination des particuliers fait sa révolution. La recherche doit l’éclairer.